至于恐慌区，就是一张卷子看下来，有些题目什么都不懂，一点头绪都没有。不但不知道怎么解，连解它需要的前置知识都不知道，完全听天书。

而最后的学习区，就是介于舒适区和恐慌区之间的，这里的难度对你刚刚好。有一点挑战性，有一些你不懂的东西，但是只要你用心，借助你现有知识结构体系内的已有知识，重新嫁接、归纳、演绎、推演，可以把这个不懂解决掉。

在学习区的时候，如果不懂的比例太高，就会恐慌，厌学。如果不懂的比例太低，就会疲掉，懒得走心。只有不懂的比例刚刚好，才最容易进入最高效学习状态按照大心理学家米哈利的理论，这种状态就叫‘心流’。”

“心理学和认知神经科学的基础还不错嘛。”顾玩表扬了女朋友一句，

确实，作为才双修心理学一个学期的新人，有这种见解已经很牛逼了。

然后顾玩话锋一转:“不过，以往我们都认为，心流是一种可遇而不可求的状态，但很快，随着对机器学习的剖析，我们会发现，进入心流或者说最高效学习状态，是有科学的最优解的。

这个最优解，就需要我们把一张卷子、一次学习、一个机器大数据训练集的对错比例、难易比例，调到一个最优化的玄妙数值上。只有量身定做了这个数值，无论人还是机器，都能达到最完美的学习效率。哪怕一个学渣，都能在学习中感受物我两忘开天眼的高效。”

“具体要怎么做到？？”麻依依已经忘了自己是在聊学术问题了。

……

对啊，具体要怎么做到？

在地球上，2018年的时候，亚利桑那大学和布朗大学的两位人工智能算法专家，就给出了最优解。

他们的结论是，让一个机器学习的训练集中，对错比例控制在%时，可以达到机器学习算法效率最高、进步最快的状态。

比如让计算机用人工智能图像识别，来鉴别一万张类似猫的图片，来学习“怎样判断图里面的东西是不是一只猫”。

这时候，你要拿8413张真的是猫的图片，和1587张似猫非猫的图片，去给人工智能喂数据，那么机器学完这10000万图片、得到对错评分后，得到的提高是最多的。

这个是自然数学法则的最优解了，换句话说，你拿8414张真猫图和1586张似猫非猫图去喂，机器吃完这1万个大数据之后，进步量也会比岗前前一组略低。

这个数据具体怎么来的呢？是人类算法学家，从2010年，谷歌开始操练深度学习以来，不断反复试验，全人类算法专家共同实验了八年，摸出来的。

更奇妙的是，地球人后来做了更多深入实验，发现这个学习效率机制，真的不仅适用于机器学习，也适用于人类大脑。 本章未完，请点击下一页继续阅读！ 第2页/共3页